基于神经网络的柴油机故障诊断摘要：传统的柴油机故障诊断与处理方法主要都是以定期保养和事后维修为主，缺乏针对事故的预见能力，且效率比较低，成本较高。这就为人工智能技术在柴油机故障诊断上的应用开辟了广阔的空间。本文主要以非线性并行分布处理为主的神经网络为研究理论，通过对建立的BP网络模型，RBF网络模型和Elman网络模型进行了比较，发现这三种网络虽然各有特点和优势，但均适用于特定条件下的故障诊断要求关键词：涡轮增压系统；故障诊断；BP神经网络；RBF神经网络；Elman神经网络：U472文献标识码：A在现代生产过程中，柴油机作为常见的机械设备之一，广泛应用于动力发电、工程机械等各种领域，其动力性和可靠性的好坏直接影响着整个系统的工作状况。因此，对柴油机进行故障诊断和状态监测，及时发现并排除故障，对增加柴油机工作状态下的安全性与可靠性，减少经济损失，避免事故发生具有重大的意义。传统的柴油机故障诊断与处理方法包括润滑油法、振动噪声法等，但都是以定期保养和事后维修为主，这些方法缺乏事故预见能力、成本高、效率低［1］。随着计算机技术、信号分析处理技术、人工智能的迅猛发展,柴油机故障诊断技术的水平也在不断地提高。以非线性并行分布处理为主的神经网络为柴油机故障诊断技术的研究开辟了新的途径［2］。经过对柴油机的故障资料进行分析，柴油机的涡轮增压系统发生的故障较多，本文只研究柴油机涡轮增压系统故障的诊断，利用MATLAB神经网络工具箱，分别基于BP、RBF和Elman网络进行柴油机的故障诊断，并对三种网络方法诊断结果的可靠性和适用性进行比较和分析1涡轮增压系统的故障分析根据对柴油机工作过程的分析和实际运行经验，可以确定涡轮增压系统的出现的工作故障的原因和部位主要有：增压器效率下降、空冷器传热恶化、透平保护格栅阻塞、透平通流部分、空气滤清器阻塞、空冷器空气测流阻塞增大和废热锅炉流阻增大。其中后三项故障可以直接由部件特性参数诊断得出，系统的工作状况和前四项故障原因作为网络输出变量由建立的神经网络进行故障诊断，确定柴油机涡轮增压系统是否处于安全运行中。柴油机涡轮增压系统工作状况下可以得到的征兆变量包括排气总管温度、扫气箱压力、平均燃烧最大爆发压力、扫排气道压损系数、增压器转速、压气机出口温度、扫气箱温度、空冷器压损系数、滤网压损系数、废气锅炉压损系数和柴油机工作负荷参数，共11项可以作为网络的输入变量根据某型号柴油机技术规范要求，可以得到柴油机无故障时的数据，如下所示[3,4]•气缸排气温度：30K•扫气箱压力：0.06MPa•最大爆发压力：IMPa•滤网压损系数：0.1•增压器转速：1500r7min•空冷器压损系数：0.1•废气锅炉压损系数：0.1•扫排气道压损系数：0.06•压气机出口温度：30K•扫气箱温度：40K其中，由于滤网压损系数、空冷器压损系数和废气锅炉压损系数可以作为部件特性系数，直接进行诊断，所以，排气总管温度、扫气箱压力、最大爆发压力、增压器转速、扫排气道压损系数、压气机出口温度、扫气箱温度和柴油机负荷作为网络的输入变量。由神经网络诊断出的数据参数上下偏差超过以上数据时，则认为柴油机有故障2神经网络模型2.1BP神经网络BP学习算法的基本原理是梯度最快速下降法，通过梯度搜索使网络的实际输出值和期望输出值的误差均方值为最小。BP神经网络是误差反向传播算法的学习过程，如图1所示，输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求；传递到输出层各神经元的信息，完成学习的正向传播处理过程，由输出层向外界输出信息处理[5,6]图1BP神经网络结构2.2RBF神经网络RBF神经网络属于前向神经网络类型，如图2所示。第一层为输入层，由信号源结点组成；第二层是隐含层，隐含层中神经元的变换函数是非线性函数，传递函数为radbas；第三层为输出层，传递函数为线性函数purelin,对输入模式作出响应[7]RBF神经网络的基本原理是前馈式神经网络，它具有最佳逼近性能和全局最优特性，并且结构简单，训练速度快，在模式识别、非线性函数逼近等领域的神经网络模型方面应...